由于大气雾和气溶胶的存在,图像能见度显著下降且色彩失真,给高级图像识别带来极大困难.现有的图像去雾算法常存在过度增强、细节丢失和去雾不充分等问题.针对过度增强和去雾不充分的问题,本文提出了一种基于频率和注意力机制的图像去...由于大气雾和气溶胶的存在,图像能见度显著下降且色彩失真,给高级图像识别带来极大困难.现有的图像去雾算法常存在过度增强、细节丢失和去雾不充分等问题.针对过度增强和去雾不充分的问题,本文提出了一种基于频率和注意力机制的图像去雾算法(frequency and attention mechanism of the image dehazing network,FANet).该算法采用编码器-解码器结构,通过构建双分支频率提取模块获取全局和局部的高低频信息.构建频率融合模块调整高低频信息的权重占比,并在下采样过程中引入附加通道-像素模块和通道-像素注意力模块,以优化去雾效果.实验结果显示,FANet在SOTS-indoor数据集上的PSNR和SSIM分别为40.07 dB和0.9958,在SOTS-outdoor数据集上分别为39.77 dB和0.9958.同时,该算法也在HSTS和Haze4k测试集上取得了不错的结果,与其他去雾算法相比有效缓解了颜色失真和去雾不彻底等问题.展开更多
文摘由于大气雾和气溶胶的存在,图像能见度显著下降且色彩失真,给高级图像识别带来极大困难.现有的图像去雾算法常存在过度增强、细节丢失和去雾不充分等问题.针对过度增强和去雾不充分的问题,本文提出了一种基于频率和注意力机制的图像去雾算法(frequency and attention mechanism of the image dehazing network,FANet).该算法采用编码器-解码器结构,通过构建双分支频率提取模块获取全局和局部的高低频信息.构建频率融合模块调整高低频信息的权重占比,并在下采样过程中引入附加通道-像素模块和通道-像素注意力模块,以优化去雾效果.实验结果显示,FANet在SOTS-indoor数据集上的PSNR和SSIM分别为40.07 dB和0.9958,在SOTS-outdoor数据集上分别为39.77 dB和0.9958.同时,该算法也在HSTS和Haze4k测试集上取得了不错的结果,与其他去雾算法相比有效缓解了颜色失真和去雾不彻底等问题.